Diogo Almeida, fondatore di TypeSafe AI, annuncia il 15 settembre 2026 il primo System One Model, chiamato Jev, disponibile in early access. La sua domanda di partenza: dato che i modelli sono sovrumani nella conversazione da anni, dov'è l'automazione? La sua diagnosi è che gli LLM, ottimizzati per la preferenza umana (RLHF) o per ricompense verificabili (RLVR), producono stringhe di caratteri; perché il software possa utilizzarli, devono essere analizzati (parsing) e validati, con il rischio costante che non rispettino il formato previsto.
TypeSafe propone uno stack interamente orientato all'automazione: una nuova architettura di modello, un campionatore parallelo (parallel sampler) e un metodo di addestramento, l'RLCD (reinforcement learning per decisioni calibrate), che ottimizza risposte accompagnate da probabilità oneste. Jev prende in input dati non strutturati, preferibilmente uno stato di programma, e restituisce valori tipizzati, la cui forma è definita in anticipo, con probabilità e punteggi di confidenza. Rinuncia alla generazione di testo, il che, secondo l'autore, gli impedisce di avere allucinazioni o di commettere errori di tipo. Si descrive come una function call di intelligenza di frontiera.
Le cifre annunciate: input a $0,042 per milione di token, output gratuito, latenza da 70 a 500 ms contro 3 a 329 secondi per i modelli di frontiera, un fattore da 40 a 200 sulle query di tipo System One. Il campionamento è parallelo: tutti gli output sono prodotti in un'unica richiesta.
L'articolo separa le affermazioni verificabili (velocità, costo, assenza di errori di tipo) da quelle più audaci. Presenta una demo a confronto con GPT-5.6 Terra, il cui unico disaccordo riguarda un livello di rischio iniziale giudicato realmente ambiguo, seguita da valutazioni di workflow: si assume un grafo di calcolo corretto, e le probabilità di ciascun modello vengono confrontate con la media di GPT-6 Astra e Fable 5.1. Jev domina la frontiera di Pareto su quasi due ordini di grandezza; la homepage dell'azienda cita 193,6× più veloce e 444,6× più economico, cifra che l'autore colloca all'estremità alta dei guadagni reali. Ogni demo è seguita da avvertenze: cifre degli LLM tratte da OpenRouter, workflow scritti dal team, un riferimento favorevole ai modelli di OpenAI e Anthropic.
Casi d'uso: decisioni fuzzy incorporate nel codice (classificare, instradare, assegnare punteggi, estrarre), elaborazione di dati in blocco, applicazioni in tempo reale, verifica degli output degli LLM. Due demo, Doom e Wikiracing, illustrano la velocità e l'assenza di allucinazioni in scelte ad alta cardinalità (fino a 255 opzioni).
Il nome richiama Kahneman (Sistema 1) e Jevons: ogni calo di un ordine di grandezza nel costo dell'intelligenza aprirebbe altrettanti nuovi usi. TypeSafe apre l'early access e chiede agli sviluppatori quali decisioni vogliono automatizzare.